Bildebehandling og maskinsyn (ELE510)

Bildebehandling blir brukt i et økende antall anvendelser i vårt dagligliv så vel som innen forskning. Bildebehandling brukes for medisinske bilder, radar-bilder, naturlige bilder, seismiske data etc. Bildebehandling brukes også i forbindelse med robotsyn. Derfor er kunnskap om klassisk bildebehandling viktig innen mange områder.

Bidrag fra både tradisjonell bildebehandling og datasyn (computer vision) brukes til å konstruere systemer for robotsyn/maskinsyn. Det er en hurtig utvikling innen dette området og anvendelser finnes både i industrien og innen forskning. Det finnes mange produkter som inneholder kamera og programvare for behandling av visuelle data.

Formålet med dette faget er å gi studenten en grunnleggende forståelse for bildebehandling og datasyn med eksempler på anvendelser.


Dette er emnebeskrivelsen for studieåret 2022-2023. Merk at det kan komme endringer.

Fakta

Emnekode

ELE510

Versjon

1

Vekting (stp)

10

Semester undervisningsstart

Høst

Antall semestre

1

Vurderingssemester

Høst

Undervisningsspråk

Engelsk

Tilbys av
Timeplan

Vis timeplan

Innhold

Faget består av to deler med følgende innhold:

I: Bildebehandling 

1. Innledning; Representasjon av digitale bilder, farge, lys

2. Transformasjoner og romlig filtrering

3. Kantdeteksjon og hjørnedeteksjon

4. Egenskapsuttrekking, teksturegenskaper etc.

5. Fjerning av støy i bilder («denoising»)

6. Bildesegmentering

II: Maskinsyn 

1. Bildedannelse; perspektiv projeksjon

2. Bildeopptak med ett kamera; Geometriske kameramodeller

3. Opptak med flere kamera; Stereopsis, to kamera

4. Følging av objekter, "Tracking"

I tillegg blir der litt om dype nevrale nett innen bildebehandling 

Læringsutbytte

Kunnskap:

Ved semesterets slutt skal en god student ha kunnskap om følgende tema:

  1. Representasjon av digitale bilder, inklusiv grunnleggende kunnskap om lys, skygge og farge.
  2. Lineær filtrering av bilder. Lineære filter kan bli brukt til fjerning av støy, kant-deteksjon og analyse av bildeegenskaper.
  3. Trekke ut egenskaper i bilder, for eksempel tekstur-egenskaper og hjørner.
  4. Fjerning av støy («denoising») i bilder.
  5. Segmentering av bilder.
  6. Prinsippene for geometriske kamera-modeller.
  7. Avbildning ved bruk av flere kamera, spesielt stereo-syn.
  8. Kjenne til prinsippene for segmentering, gruppering og modellering I bildebehandling og maskinsyn.

Ferdigheter:

Etter gjennomført stadium skal studenten ha fått ferdigheter i behandling og analyse av digitale bilder samt kunne konstruere enkle maskinsyn system. Studenten skal også kunne bruke python (lab gjenomføres i jupyter notebooks) og openCV  for behandling og analyse av digitale bilder.

Generell kompetanse:

Etter å ha gjennomført dette emnet skal studenten ha en forståelse for grunnleggende bildebehandling og maskinsyn, der noen konsepter vil være på mer overordnet nivå og andre mer i detalj. Studenten skal ha en grunnleggende forståelse av anvendelsesmuligheter og evne å benytte metoder på nye anvendelser. 

Forkunnskapskrav

Ingen

Eksamen / vurdering

Skriftlig eksamen og skriftlig rapport

Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Skriftlig eksamen 6/10 4 Timer Bokstavkarakterer Godkjent kalkulator
Skriftlig rapport 4/10 Bokstavkarakterer Alle

Prosjektoppgaven skal gjøres i grupper på 2-3 personer. Rapporten beskriver og dokumenterer arbeid i prosjektdelen. Alle deltakere i en gruppe får samme karakter basert på rapporten. Dersom en student ikke leverer prosjektet i tide regnes det som stryk så sant det ikke foreligger gyldig dokumentasjon som har gitt grunnlag for utvidet tid.   Dersom en student stryker på prosjektet kan studenten ta et nytt prosjekt med en ny tittel neste gang faget går som normalt, eller etter avtale med faglærer i kontinuasjons-perioden i det påfølgende semester.

Vilkår for å gå opp til eksamen/vurdering

Laboratoriearbeid og obligatoriske øvinger

Obligatoriske oppgaver: Et sett av obligatoriske oppgaver må være godkjent.

Obligatoriske arbeidskrav (som innlevering, laboratorieoppgaver, prosjektoppgaver og lignende) skal være godkjent av faglærer innen angitt frist. Gjennomføring av obligatorisk lab skal gjøres til de tider og i de grupper som er oppsatt og publisert på Canvas. Fravær på grunn av sykdom eller av andre årsaker skal snarest mulig kommuniseres til laboratorieansvarlig. Det kan ikke påregnes å få gjennomføre lab utenom oppsatt tid hvis dette ikke er kommunisert og ny avtale gjort. Konsekvens av at du ikke har fått godkjent laboratoriearbeid er at du ikke får gå opp til eksamen i faget.

Studentene må gjennomføre en gruppevis muntlig presentasjon av prosjektet for å få karakter i emnet.

Fagperson(er)

Faglærer:

Kjersti Engan

Ansvarlig laboratorieøvelser:

Luca Tomasetti

Ansvarlig laboratorieøvelser:

Saul Fuster Navarro

Emneansvarlig:

Kjersti Engan

Instituttleder:

Tom Ryen

Arbeidsformer

Forelesning: 4 timer pr. uke, inkludert videoforelesninger og spørsmålstimer som kan brukes i stedet for ordinære forelesninger for større eller mindre deler av materialet.

Øving og laboratoriearbeid: 2 timer pr. uke. To uker i semesteret vil bli brukt til arbeid med prosjekt.  

Overlapping

Emne Reduksjon (SP)
Bildebehandling (MIK170_1) 10

Åpent for

Datateknologi - master i teknologi/siv.ing. Industriell økonomi - master i teknologi/siv.ing. Robotteknologi og signalbehandling - master i teknologi/siv.ing.
Utveksling ved Det teknisk- naturvitenskapelige fakultet

Emneevaluering

Skjer vanligvis gjennom skjema og/eller samtaler i henhold til gjeldende retningslinjer.

Litteratur

Pensumlisten finner du i Leganto